首页|独立级联传播模型下的连续影响力最大化

独立级联传播模型下的连续影响力最大化

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
影响力最大化是在社交网络中寻求一组最具有影响力的用户作为种子节点,通过种子节点向网络中传播信息,使得传播的范围最大化.现有的对影响力最大化的研究大多是针对每个节点,考虑是否将其作为种子节点.而在实际应用中,需要根据用户的影响力来赋予他成为种子的概率,使得根据这个概率分布得到的种子集合的影响力传播范围的期望值最大化,这就是连续影响力最大化问题.文中提出了一种独立级联传播模型下连续影响力最大化算法.该算法首先将上述问题抽象成一个约束优化问题,然后抽样若干个可能的种子集,并对每个可能的种子集估计影响的传播范围;使用梯度下降法,在每轮迭代中根据估计的传播范围计算各个方向的增量值,取最大增量的方向作为梯度进行目标函数值的迭代更新,从而得到 目标函数值的最优解.在真实和虚拟网络上进行实验,结果表明,该算法在影响范围的期望值上优于Random,Degree,UD和CD等算法.
Continuous Influence Maximization Under Independent Cascade Propagation Model
Influence maximization is to seek a group of most influential users in social networks as seed nodes,and spread infor-mation through seed nodes to maximize the information spreading.Most of the existing research on influence maximization as-sume that each node is either a seed or not.While in practical applications,the users'probability of becoming a seed should be de-termined according to their influence in the social network,hence maximize the expected range of influence of the seed set ob-tained according to the probability distribution.This is the problem of continuous influence maximization.A continuous influence maximization algorithm under the independent cascade propagation model is proposed.The algorithm first abstracts the problem into a constrained optimization,then several possible seed sets are sampled.The influence propagation range is estimated for each possible seed set.The gradient descent method is employed to calculate the increment value in each direction according to the esti-mated propagation range in each iteration.The direction of the maximum increment is taken as the gradient to update the objec-tive function value.By such iterations,the optimal solution of the objective function can be obtained.Experiments on real and vir-tual data sets show that the proposed algorithm can obtain significantly larger expected range of influence than Random,Degree,UD and CD algorithms.

Continuous influence maximizationSocial networksIndependent cascade propagation modelGradient descentItera-tion

邓紫维、陈崚、刘维

展开 >

扬州大学信息工程学院 江苏扬州 225000

连续影响力最大化 社交网络 独立级联传播模型 梯度下降 迭代

国家自然科学基金国家自然科学基金国家自然科学基金国家自然科学基金国家自然科学基金国家自然科学基金国家自然科学基金江苏省自然科学基金江苏省自然科学基金江苏省自然科学基金江苏省自然科学基金江苏省自然科学基金江苏省教育厅自然科学研究项目江苏省教育厅自然科学研究项目江苏省教育厅自然科学研究项目江苏省研究生培养创新工程项目

61379066617024416107004761379064614723446140239561602202BK20130452BK2012672BK2012128BK20140492BK2016042812KJB52001913KJB52002609KJB20013CXZZ13_0173

2024

10.11896/jsjkx.230400006

计算机科学
重庆西南信息有限公司（原科技部西南信息中心）

计算机科学

CSTPCD北大核心
影响因子：0.944
ISSN：1002-137X
年,卷(期)：2024.51(6)
  • 28